Использование показателя роста для возраста (HAZ) для прогнозирования белково-энергетической недостаточности у пациентов с врожденным буллезным эпидермолизом с применением методов машинного обучения

Врожденный буллезный эпидермолиз (ВБЭ) – это группа генетически и клинически гетерогенных заболеваний, характеризующихся склонностью к образованию пузырей и/или эрозий на коже и слизистых оболочках при минимальной травматизации. Наиболее частым осложнением ВБЭ является нутритивная недостаточность, в патогенезе которой играют роль множество факторов.

Цель исследования. Построить модель прогнозирования возникновения белково-энергетической недостаточности (БЭН) у пациентов с различными формами ВБЭ, выявить основные признаки, влияющие на чувствительность прогнозной модели и провести оценку состоятельности модели на основании данных ретроспективного анализа о наличии БЭН у данной категории пациентов.

Материалы и методы. В исследовании принимали участие 101 пациент в возрасте от 3 до 18 лет, с простым (n= 25), пограничным (n= 10) и дистрофическим (n=66) ВБЭ. Для анализа течения заболевания и построения модели прогнозирования использовался Бирмингемский индекс тяжести ВБЭ, лабораторные и антропометрические показатели, а также данные о наличии осложнений со стороны органов желудочно-кишечного тракта. Для построения модели машинного обучения использовалась библиотека Scikit-learn языка программирования Python.

Результаты. При построении модели прогнозирования лучшие результаты показала модель RandomForestClassifier. Разработанная модель машинного обучения может правильно определить имеется ли у пациента хроническая белково-энергетическая недостаточность (класс 1, HAZ < –2) или она отсутствует (класс 0, HAZ > –2) с точностью 92%, чувствительностью 85,7% и специфичностью 100%.

Выводы. Модель машинного обучения, представленная в данном исследовании, предсказывает значения показателя роста для возраста (HAZ) и может иметь прикладное значение в медицинской практике и клинических исследованиях. Модель может использоваться для ранней диагностики БЭН у пациентов с ВБЭ, что может позволить своевременно начать нутритивную поддержку и предотвратить возможные осложнения заболевания, а также разрабатывать индивидуальные планы питания и лечения пациентов.

1. Bardhan A, Bruckner-Tuderman L, Chapple ILC, Fine JD, Harper N, Has C, Magin TM, Marinkovich MP, Marshall JF, McGrath JA, Mellerio JE, Polson R, Heagerty AH. Epidermolysis bullosa. // Nature reviews. Disease primers.- 2020.- V.24.- № 6(1).- P. 78. https://doi.org/10.1038/s41572-020-0210-0.

2. Коталевская Ю.Ю., Степанов В. А. Молекулярно-генетические основы буллезного эпидермолиза // Вавиловский журнал генетики и селекции.- 2023.- Т. 27, № 1.- С. 18-27.- https://doi.org/10.18699/VJGB-23-04.

3. Murat-Sušić S, Husar K, Skerlev M, Marinović B, Babić I. Inherited epidermolysis bullosa - the spectrum of complications // Acta dermatovenerologica Croatica.- 2011.- V.19.-№ 4.- P. 255-263.

4. Salera S, Tadini G, Rossetti D, Grassi FS, Marchisio P, Agostoni C, Giavoli C, Rodari G, Guez S. A nutrition-based approach to epidermolysis bullosa: Causes, assessments, requirements and management // Clinical nutrition: official journal of the European Society of Parenteral and Enteral Nutrition.-2020.- V.39.- № 2.- P. 343-352. https://doi.org/10.1016/j.clnu.2019.02.023.

5. Fantauzzi RS, Maia MO, Cunha FC, Simões RV, Gonçalves DU, Maia AF. Otorhinolaryngological and esophageal manifestations of epidermolysis bullosa // Brazilian journal of otorhinolaryngology.-2008.- V.74.- № 5.- P. 657-661. https://doi.org/10.1016/S1808-8694(15)31373-2.

6. Буллезный эпидермолиз: руководство для врачей / под ред. Н. Н. Мурашкина, Л. С. Намазовой-Барановой.- М.: ПедиатрЪ, 2019.- 444 с

7. Hsieh CH, Huang CJ, Lin GT. Death from colonic disease in epidermolysis bullosa dystrophica // BioMed Central dermatology.- 2006.- V.15.- № 6. P. 2. https://doi.org/10.1186/1471-5945-6-2.

8. Freeman EB, Köglmeier J, Martinez AE, Mellerio JE, Haynes L, Sebire NJ, Lindley KJ, Shah N. Gastrointestinal complications of epidermolysis bullosa in children // The British journal of dermatology.-2008.- V.158.- № 6.- P. 1308-1314. https://doi.org/10.1111/j.1365-2133.2008.08507.x.

9. Birge K. Nutrition management of patients with epidermolysis bullosa // Journal of the American Dietetic Association.-1995.- V.95.- № 5.- P. 575-579. https://doi.org/10.1016/S0002-8223(95)00157-3.

10. Colomb V, Bourdon-Lannoy E, Lambe C, Sauvat F, Hadj Rabia S, Teillac D, De Prost Y, Bodemer C. Nutritional outcome in children with severe generalized recessive dystrophic epidermolysis bullosa: a short- and long-term evaluation of gastrostomy and enteral feeding // The British journal of dermatology.-2012.- V.166.- № 2.- P. 354-361. https://doi.org/10.1111/j.1365-2133.2011.10592.x.

11. Пронина И.Ю., Макарова С. Г., Мурашкин Н. Н., Семикина Е. Л. Минеральный и костный обмен у детей с дистрофической формой врожденного буллезного эпидермолиза: влияние терапии Колекальциферолом // Медицинский алфавит.- 2022.- № 16.- С. 60-69.- https://doi.org/10.336678/2078-5631-2022-16-60-69.

12. Гусев, А.В. Искусственный интеллект в медицине и здравоохранении // Информационное общество.- 2017.- № 4-5.- С. 78-93.

13. Гусев А.В., Новицкий Р. Э., Ившин А. А., Алексеев А. А. Машинное обучение на лабораторных данных для прогнозирования заболеваний // Фармакоэкономика. Современная фармакоэкономика и фармакоэпидемиология.- 2021.- Т. 14, № 4.- С. 581-592.- https://doi.org/10.17749/2070-4909/farmakoekonomika.2021.115.

14. Karamizadeh M, Seif M, Holick MF, Akbarzadeh M. Developing a Model for Prediction of Serum 25-Hydroxyvitamin D Level: The Use of Linear Regression and Machine Learning Methods // Journal of the American Nutrition Association.-2022.- V.41.- № 2.- P. 191-200. https://doi.org/10.1080/07315724.2020.1869624.

15. Бриш Н.А., Семиглазова Т.Ю., Захарова П.А., Мищенко А.В., Каспаров Б.С., Проценко С. А., Телетаева Г. М., Латипова Д. Х., Семенова А. И., Ткаченко Е. В., Алексеева Ю. В., Ульянченко Я.А., Филатова Л. В., Семиглазов В. В. Предиктивное значение нутритивной недостаточности в лечении больных местнораспространенным раком желудка // Фарматека.- 2019.- Т. 26.- № 12.- C. 9-14. https://doi.org/10.18565/pharmateca.2019.12.9-14

16. Матюшок В.М., Красавина В. А., Матюшок С. В. Мировой рынок систем и технологий искусственного интеллекта: становление и тенденции развития // Вестник Российского университета дружбы народов. Серия: Экономика. 2020. Т. 28. № 3. С. 505-521. https://doi.org/10.22363/2313-2329-2020-28-3-505-521

17. Alabi RO, Youssef O, Pirinen M, Elmusrati M, Mäkitie AA, Leivo I, Almangush A. Machine learning in oral squamous cell carcinoma: Current status, clinical concerns and prospects for future-A systematic review // Artificial intelligence in medicine.-2021.- V.115-P. 102060. https://doi.org/10.1016/j.artmed.2021.102060.

18. Adamidi ES, Mitsis K, Nikita KS. Artificial intelligence in clinical care amidst COVID-19 pandemic: A systematic review // Comput Struct Biotechnol J.-2021.- V.19.- P. 2833-2850. https://doi.org/10.1016/j.csbj.2021.05.010.

19. Alsaleh MM, Allery F, Choi JW, Hama T, McQuillin A, Wu H, Thygesen JH. Prediction of disease comorbidity using explainable artificial intelligence and machine learning techniques: A systematic review // International journal of medical informatics.- 2023.- Jul;175:105088. https://doi.org/10.1016/j.ijmedinf.2023.105088.

20. Chung, H., Ko, Y., Lee, I. S., Hur, H., Huh, J., Han, S. U., Kim, K. W., & Lee, J. Prognostic artificial intelligence model to predict 5 year survival at 1 year after gastric cancer surgery based on nutrition and body morphometry // Journal of cachexia, sarcopenia and muscle.-2019.- V.14.- № 2-, P. 847-859. https://doi.org/10.1002/jcsm.13176

21. Mukuku, O., Mutombo, A. M., Kamona, L. K., Lubala, T. K., Mawaw, P. M., Aloni, M. N., Wembonyama, S. O., Luboya, O. N. Predictive Model for the Risk of Severe Acute Malnutrition in Children // Journal of nutrition and metabolism.-2019.- 4740825. https://doi.org/10.1155/2019/4740825

22. Орлова О.С., Мурашкин Н. Н., Макарова С. Г. Состояние минеральной плотности костей как признак нутритивной недостаточности у пациентов с буллезным эпидермолизом // Эффективная фармакотерапия.- 2023.- Т. 19, № 47.- С. 24-27.- https://doi.org/10.33978/2307-3584-2023-19-47-22-26.

23. Сивков А.О., Лейдерман И. Н., Сивков О. Г., Гирш А. О. Оценка и прогностическая значимость показателей нутритивного статуса у травматологических и хирургических пациентов отделений реанимации и интенсивной терапии: систематический обзор литературы // Политравма.- 2021.- № 3.- С. 91-102.- https://doi.org/10.24412/1819-1495-2021-3-91-102.

24. Jin, B. T., Choi, M. H., Moyer, M. F., Kim, D. A. Predicting malnutrition from longitudinal patient trajectories with deep learning. // PloS one.-2022.- V.17 - № 7,- e0271487. https://doi.org/10.1371/journal.pone.0271487

25. Shi, H., Yang, D., Tang, K., Hu, C., Li, L., Zhang, L., Gong, T., Cui, Y. Explainable machine learning model for predicting the occurrence of postoperative malnutrition in children with congenital heart disease. //Clinical nutrition (Edinburgh, Scotland).- 2022.- V.41.- № 1.-Р. 202-210. https://doi.org/10.1016/j.clnu.2021.11.006

26. Демко И.В., Корчагин Е. Е., Черкашин О. А., Гордеева Н. В., Аникин Д. А., Аникина Д. А. Возможности информационных систем в прогнозировании исходов новой коронавирусной инфекции COVID-19. //Медицинский совет.- 2022 - Т. 16, № 4.- С. 42-50.- https://doi.org/10.21518/2079-701X-2022-16-4-42-50

27. Климонтов, В. В. Искусственный интеллект в диабетологии // Сахарный диабет.- 2021.- Т. 24, № 2.- С. 156-166.- https://doi.org/10.14341/DM12665.

28. Гусев А.В., Гаврилов Д.В., Корсаков И.Н., Серова Л.М., Новицкий Р.Э., Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний // Врач и информационные технологии.- 2019.- № 3.- С. 41-47.